歌曲质量评价方法、装置和存储介质与流程

1.本技术涉及人工智能技术领域，更具体地涉及一种歌曲质量评价方法、装置和存储介质。


背景技术：

2.歌曲挑选旨在从海量歌曲中选择高质量的歌曲用于购买，它使音乐发行可以选择出符合大众审美的歌曲。当前，基于人工的歌曲挑选方法依然是歌曲挑选的主流方法。
3.基于人工的歌曲挑选方法会根据歌曲的旋律、和声、歌词之间搭配和质量来判断一首歌曲的总体质量，并最终由委员会投票决定是否进行歌曲的购买。尽管这种方法可以选择出高质量的歌曲，但是由于个体和委员会审美的差异性和局限性，以及个体在不同时间审美的差异性，导致挑选的歌曲质量随时间变化较大，与音乐榜单歌曲相比质量也有所下降。
4.在上述人工挑选歌曲的过程中，歌曲的质量也是人工来评价的，人工进行歌曲质量评价存在耗时耗力的缺陷。因此，目前缺乏能够自动进行歌曲质量评价的方法。


技术实现要素：

5.为了解决上述问题而提出的了本技术。根据本技术一方面，提供了一种歌曲质量评价方法，所述方法包括：获取待评价的歌曲，并针对所述歌曲提取质量评价特征，所述质量评价特征包括主旋律特征、歌词特征和节奏特征；将所述质量评价特征输入到训练好的歌曲质量评价网络，由所述歌曲质量评价网络输出所述歌曲的质量评价结果。
6.在本技术的一个实施例中，所述歌曲质量评价网络包括主旋律打分模型、歌词打分模型和节奏打分模型，其中：所述主旋律打分模型基于所述主旋律特征输出主旋律质量分数；所述歌词打分模型基于所述歌词特征输出歌词质量分数；所述节奏打分模型基于所述节奏特征输出节奏质量分数；所述歌曲的质量评价结果是通过对所述主旋律质量分数、所述歌词质量分数和所述节奏质量分数这三者进行融合而得到的，或者，所述主旋律质量分数、所述歌词质量分数和所述节奏质量分数这三者也可以分别输出以作为所述歌曲的质量评价结果。
7.在本技术的一个实施例中，所述歌曲质量评价网络包括融合模型，所述融合模型包括主旋律打分模型、歌词打分模型和节奏打分模型，所述质量评价特征输入到所述融合模型，所述融合模型输出所述歌曲的歌曲质量分数，作为所述质量评价结果。
8.在本技术的一个实施例中，所述主旋律打分模型包括用于捕捉所述歌曲的时序特征的循环神经网络或自注意力神经网络，还包括用于捕捉局部特征的卷积神经网络。
9.在本技术的一个实施例中，所述歌词打分模型包括用于捕捉所述歌曲的上下文特征中的情感信息和句法结构信息的自然语言处理模型。
10.在本技术的一个实施例中，所述自然语言处理模型包括基于转换器的双向编码表征模型或生成预训练转换器模型。
11.在本技术的一个实施例中，所述节奏打分模型包括用于跟踪所述歌曲的整体拍速和局部拍速的卷积神经网络、循环神经网络或基于自注意力机制的网络。
12.在本技术的一个实施例中，所述主旋律打分模型、所述歌词打分模型和所述节奏打分模型这三者在训练过程中，通过将预测值和被标注的真实值之间的交叉熵或者均方误差最小化而更新模型参数。
13.在本技术的一个实施例中，所述主旋律打分模型、所述歌词打分模型和所述节奏打分模型这三者的训练数据集是通过歌曲爬取、数据清洗和人工标注数据标签而得到的。
14.在本技术的一个实施例中，所述歌曲爬取包括利用网络爬虫下载音乐平台上的已发行歌曲，或者从资料库中获取小样歌曲。
15.在本技术的一个实施例中，所述数据清洗包括对爬取的歌曲进行筛选，所述筛选包括筛除以下中的至少一项：标识符重复的歌曲、歌曲名重复的歌曲、非汉语歌曲、音频或歌词过短的歌曲、已发行歌曲的翻唱版本。
16.在本技术的一个实施例中，所述人工标注数据标签包括：特征标签的标注和质量标签的标注。
17.在本技术的一个实施例中，所述特征标签包括以下中的至少一项：副歌的位置、歌词、歌曲类型。
18.在本技术的一个实施例中，所述质量标签包括热度指数或定性评价标签。
19.在本技术的一个实施例中，所述主旋律特征包括所述歌曲的整首歌或者副歌的主基频特征、半音类特征和梅尔频谱。
20.在本技术的一个实施例中，所述歌词特征包括所述歌曲的整首歌或者副歌的歌词经令牌化后得到的词向量。
21.在本技术的一个实施例中，所述节奏特征包括所述歌曲的整首歌或者副歌的节拍结构和节拍点位序列。
22.根据本技术另一方面，提供了一种歌曲质量评价装置，所述装置包括：特征提取模块，用于获取待评价的歌曲，并针对所述歌曲提取质量评价特征，所述质量评价特征包括主旋律特征、歌词特征和节奏特征；歌曲质量评价模块，用于将所述质量评价特征输入到训练好的歌曲质量评价网络，由所述歌曲质量评价网络输出所述歌曲的质量评价结果。
23.根据本技术再一方面，提供了一种歌曲质量评价装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行上述歌曲质量评价方法。
24.根据本技术又一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时，执行上述歌曲质量评价方法。
25.根据本技术实施例的歌曲质量评价方法和装置针对待评价的歌曲提取主旋律特征、歌词特征和节奏特征作为质量评价特征，通过训练好的歌曲质量评价网络来预测歌曲的质量评价结果，能够实现歌曲的主旋律、歌词和节奏在歌曲质量预测中的应用，从而更好地利用歌曲不同侧面的信息，提高质量预测的准确性。
附图说明
26.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、
特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
27.图1示出根据本技术实施例的歌曲质量评价方法的示意性流程图。
28.图2示出根据本技术实施例的歌曲质量评价方法中采用的歌曲质量评价网络的一个示例的示意图。
29.图3示出根据本技术实施例的歌曲质量评价方法中采用的歌曲质量评价网络的另一个示例的示意图。
30.图4示出根据本技术实施例的歌曲质量评价方法中采用的主旋律打分模型的一个示例的示意图。
31.图5示出根据本技术一个实施例的歌曲质量评价装置的示意性结构框图。
32.图6示出根据本技术另一个实施例的歌曲质量评价装置的示意性结构框图。
具体实施方式
33.为了使得本技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术中描述的本技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本技术的保护范围之内。
34.首先，参照图1描述根据本技术一个实施例的歌曲质量评价方法。图1示出了根据本技术一个实施例的歌曲质量评价方法100的示意性流程图。如图1所示，歌曲质量评价方法100可以包括如下步骤：
35.在步骤s110，获取待评价的歌曲，并针对歌曲提取质量评价特征，质量评价特征包括主旋律特征、歌词特征和节奏特征。
36.在步骤s120，将质量评价特征输入到训练好的歌曲质量评价网络，由歌曲质量评价网络输出歌曲的质量评价结果。
37.音乐的四大要素是节奏、旋律、和声和音色。因此，歌曲也可以从主旋律、歌词、节奏、和声搭配四个角度进行分析。首先是主旋律提取也被称为主基频估计或旋律提取，它可以是某个有辨识度的歌声也可以是主乐器的声音，表示了整首歌的基本情感倾向，可向听众传达所要表达的情感。其次是歌词，它描述了歌曲具体想要表达的内容，清晰的呈现了歌曲所要表达的价值观。再次是节奏，可舒缓或律动，它是音乐的骨架，具有重要的意义，加强了主旋律所表达的情感，可以达到烘托气氛的目的。最次是和声搭配，若干和弦流动连续地连接起来即是和声，它具有明显的浓，淡，厚，薄的音乐色彩作用。和声在时间上的变化让主旋律不再那么单薄，好的和声可以有效增强听众的代入感。因此传统上对于音乐的评价，也是按照主旋律的好坏，歌词的质量，主旋律与歌词搭配好坏，主旋律与节奏搭配好坏，主旋律与和声搭配好坏等几个方面依次进行的。为此，本技术的歌曲质量评价方法针对待评价的歌曲提取主旋律特征、歌词特征和节奏特征作为质量评价特征，通过训练好的歌曲质量评价网络来预测歌曲的质量评价结果(诸如歌曲质量分数)，能够实现歌曲的主旋律、歌词和节奏在歌曲质量预测中的应用，从而更好地利用歌曲不同侧面的信息，提高质量预测的
准确性，进而弥补当下歌曲质量自动评价方案的空缺。
38.在本技术的一个实施例中，步骤s120所采用的歌曲质量评价网络可以包括主旋律打分模型、歌词打分模型和节奏打分模型。下面结合图2来描述。图2示出了根据本技术实施例的歌曲质量评价方法中采用的歌曲质量评价网络200的一个示例的示意图。如图2所示，歌曲质量评价网络200包括主旋律打分模型、歌词打分模型和节奏打分模型。其中，主旋律打分模型基于主旋律特征输出主旋律质量分数；词打分模型基于歌词特征输出歌词质量分数；节奏打分模型基于节奏特征输出节奏质量分数。如图2所示的，在本技术的实施例中，可将主旋律质量分数、歌词质量分数和节奏质量分数这三者分别输出以作为歌曲的质量评价结果。此外，也可以将主旋律质量分数、歌词质量分数和节奏质量分数这三者进行融合后输出，即通过三个分数的融合得到歌曲的质量评价结果(诸如三者进行加权平均等等)。
39.在本技术的另一个实施例中，歌曲质量评价网络可以包括融合模型。下面结合图3来描述。图3示出了根据本技术实施例的歌曲质量评价方法中采用的歌曲质量评价网络300的一个示例的示意图。如图3所示，歌曲质量评价网络300包括融合模型，该融合模型包括主旋律打分模型、歌词打分模型和节奏打分模型。在该实施例中，质量评价特征(主旋律特征、歌词特征和节奏特征)输入到融合模型，融合模型输出歌曲的歌曲质量分数，作为歌曲的质量评价结果。其中，该融合模型包括打分后的融合(与图2所示融合输出类似)或者模型参数的融合，融合策略包括但不限于boosting(用于减小偏差的串行算法)、stacking(堆叠算法)、bagging(装袋算法)、联合训练多个模型(即主旋律打分模型、歌词打分模型和节奏打分模型)共同预测歌曲的质量评分等。
40.在本技术的又一个实施例中，歌曲质量评价网络可以包括主旋律打分模型、歌词打分模型、节奏打分模型和上述融合模型。
41.下面进一步描述主旋律打分模型、歌词打分模型和节奏打分模型的更具体内容。
42.在本技术的实施例中，在训练上述模型(主旋律打分模型、歌词打分模型和节奏打分模型)之前，需要预先收集和标注大量的歌曲，以形成训练数据集。在本技术的实施例中，训练数据集可以通过歌曲爬取、数据清洗和人工标注数据标签这三步得到。
43.其中，在本技术的实施例中，歌曲爬取包括利用网络爬虫下载音乐平台上的已发行歌曲，或者从资料库中获取小样歌曲。在该实施例中，歌曲的来源不限于已发行的歌曲，还包括小样歌曲。对于已经发行的歌曲，此步骤会利用网络爬虫从网络上的各大音乐平台下载歌曲。对于小样歌曲，则直接来源于内部资料库中的歌曲数据。
44.在本技术的实施例中，数据清洗可以包括对爬取的歌曲进行筛选，所述筛选包括筛除以下中的至少一项：标识符(id)重复的歌曲、歌曲名重复的歌曲、非汉语歌曲、音频或歌词过短的歌曲、已发行歌曲的翻唱版本。在该实施例中，由于爬虫爬下来的数据中可能存在id重复、歌曲名重复等问题，需要进行第一次筛选。接着对歌词语言非汉语、音频或歌词过短等歌曲进行第二次筛选。对于已发行歌，还可以继续去除歌曲的翻唱版本，只保留原唱版本。经过数据清洗后可以得到流行歌曲的音频数据，其中每首歌曲有唯一的标识符id。
45.在本技术的实施例中，人工标注数据标签可以包括特征标签的标注和质量标签的标注。其中，特征标签可以包括以下中的至少一项：副歌的位置、歌词、歌曲类型。副歌是一首歌曲中最有代表性的、最能被人记住的重要片段。因此可以标注副歌起止的时间戳以便更加快速地进行歌曲质量的判断。关于歌词，除了标注整首歌的歌词，还可以标注出副歌对
应的歌词，以及副歌中有无人称代词(你我他)，副歌中有无词排比等等。关于歌曲类型，例如可以标注歌曲是属于现代、民谣、古风等等类型的歌曲。关于质量标签的标注，对于已发行的歌曲，可以标注它的热度指数，包括但不限于音乐指数、音乐平台评论总数、音乐平台最大瞬时搜索人数和输入法当日最高搜索人数等等。对于小样歌曲，可以通过人工标注它的定性评价标签，诸如好中坏质量标签。
46.在本技术的实施例中，在步骤s110提取的主旋律特征可以包括歌曲的整首歌或者副歌的主基频特征，为了考虑音乐中的和弦和人耳的感知，还可以将半音类特征(chroma)和梅尔频谱纳入主旋律特征中。其中，基频直接反映了主旋律的演变，包括但不限于连续的基频、离散的基频、具有基频特性的表征特征。半音类特征将频率转换在十二平均律对应的12个乐音上，这种特征包括了和弦信息，因此它可以用以判断歌曲的和弦与主旋律的搭配是否合适。梅尔频谱(mel-spectrogram)特征已经在语音中广泛采用，它是一种符合人耳感知的特征。半音类特征和梅尔频谱分别可以在音乐和人耳感知层面描述音频。
47.由于主旋律特征是一种在时序上变化丰富的特征，因此需要使用可以建立时序关系的神经网络编码，包括但不限于循环神经网络、自注意力的神经网络，为了捕捉局部特征，还需要卷积神经网络。因此，在本技术的实施例中，主旋律打分模型可以包括用于捕捉歌曲的时序特征的循环神经网络(位于循环层)或自注意力神经网络，还包括用于捕捉局部特征的卷积神经网络(位于卷积层)，例如如图4所示的，该模型可以建模短时时序内的特征规律，也可以建模长时的依赖性。
48.在本技术的实施例中，在构建主旋律打分模型后，可以对其进行训练。在训练时，模型输入为主旋律特征，输出为主旋律质量分数。主旋律打分模型在训练初始阶段，需要初始化网络参数，例如可以采用随机初始化方法；然后根据数据进行模型参数更新，具体更新方法例如为最小化模型预测的参数值和歌曲质量标签数据中的真实值之间的交叉熵或均方误差为最小目标，进行模型参数的更新，直到模型参数变化小于预设阈值时，模型训练结束。
49.在本技术的实施例中，在步骤s110提取的歌词特征可以包括歌曲的整首歌或者副歌的歌词经令牌化后得到的词向量。歌词特征可以是整首歌或副歌的歌词，不过由于爬取的歌词中包含一些无关信息，例如词作者、曲作者、混音师、独唱还是合唱等，因此可以先要对歌词进行规范化，将整个数据集的歌词规范成统一的格式。此外，为了将歌词文本输入至模型，还需要对其进行令牌(token)化，即分割成字或字词为单位的组合，再转化为词向量的输入，词向量可以是其他模型提供的，或者是跟随歌词打分模型一些学习的。
50.在本技术的实施例中，歌词打分模型需要捕捉歌曲上下文特征中的情感信息、句法结构信息例如重复结构、押韵信息等，因此可以采用自然语言处理中常用的模型，包括但不限于基于转换器的双向编码表征模型(bidirectional encoder representation from transformers，简称为bert)、生成预训练转换器模型(generative pre-trained transformer，简称为gpt)等用来建模和捕捉歌词内关于情感、句法结构和押韵的上下文的模型。
51.在本技术的实施例中，在构建歌词打分模型后，可以对其进行训练。在训练时，模型输入为歌词特征，输出为歌词质量分数。歌词打分模型在训练初始阶段，需要初始化网络参数，具体例如可以将预训练模型bert的参数用作歌词打分模型的初始化模型参数，然后
根据数据进行模型参数更新；具体更新方法例如为最小化模型预测的参数值和歌曲质量标签数据中的真实值之间的交叉熵或均方误差为最小目标，进行模型参数的更新，直到模型参数变化小于预设阈值时，模型训练结束。
52.在本技术的实施例中，在步骤s110提取的节奏特征可以包括歌曲的整首歌或者副歌的节拍结构和节拍点位序列。示例性地，可采用音乐节拍跟踪算法提取节奏特征，包括但不限于使用确定性模型、概率模型或融合模型。
53.在本技术的实施例中，节奏打分模型可以用来捕捉歌曲的整体拍速，以及跟踪歌曲的局部拍速。该模型依然采用神经网络进行节拍的跟踪，考虑到节奏变化相比于主旋律的变化是在更大的时间尺度上进行的，需要在网络中使用更大尺寸的单元以建模节奏的变化，包括但不限于卷积神经网络、循环神经网络和基于自注意力机制的网络。
54.在本技术的实施例中，在构建节奏打分模型后，可以对其进行训练。在训练时，模型输入为节奏特征，输出为节奏质量分数。节奏打分模型在训练初始阶段，需要初始化网络参数，具体例如可以随机初始化模型参数，然后根据数据进行模型参数更新；具体更新方法例如为最小化模型预测的参数值和歌曲质量标签数据中的真实值之间的交叉熵或均方误差为最小目标，进行模型参数的更新，直到模型参数变化小于预设阈值时，模型训练结束。
55.在训练完上述模型后，结合图2所示的歌曲质量评价网络训练完成。
56.基于此，对于待评价的歌曲，可以将整首歌或副歌的主基频特征、半音类特征和梅尔频谱特征的拼接向量输入至主旋律打分模型中，主旋律打分模型的输出层预测歌曲在主旋律上的质量分数(主旋律质量分数)，此分数既可以单独使用也可以与其他分数进行融合。
57.对于待评价的歌曲，可以将整首歌或副歌的歌词先进行规范化，再分解成字的组合，将转换得到的词向量输入至基于歌词打分模型中，歌词打分模型输出的分数即表示歌曲在歌词上的质量分数(歌词质量分数)，此分数既可以单独使用也可以与其他分数进行融合。
58.对于待评价的歌曲，先进行整首歌或副歌的节拍跟踪，得到歌曲的节奏和节拍序列，然后输入至基于节奏打分模型中，节奏打分模型输出的分数即表示歌曲在节奏上的质量分数(节奏质量分数)，此分数既可以单独使用也可以与其他分数进行融合。
59.以上是前文结合图2所述的歌曲质量评价网络的操作。
60.当采用图3所示的歌曲质量评价网络时，首先提取歌曲的主旋律特征、歌词特征和节奏特征，然后构建融合模型，包括主旋律打分模型、歌词打分模型和节奏打分模型。在训练该融合模型时，输入是主旋律特征、歌词特征和节奏特征，输出是歌曲质量分数。该歌曲质量分数可以是包括融合模型中三个模型打分后的融合或者三个模型参数的融合后综合打分，融合策略包括但不限于boosting、stacking、bagging、联合训练多个系统共同预测歌曲的质量评分等。
61.到此为止，多模块协同的歌曲质量评价网络的结构已搭建完毕。通过网络爬虫爬取数据，进行数据处理，再最小化神经网络模型在训练集的损失函数的和来进行神经网络参数的训练。最后，在推理阶段，待评价歌曲提取整首歌或副歌后，将主旋律特、歌词特征、节奏特征输入至已经训练好的歌曲质量评价网络中，给出该歌曲对应的质量评分。
62.在本技术的实施例中，基于融合模型的歌曲质量评价网络可以直接基于歌曲的音
频和歌词进行打分，而不用借助于多个模型。它的打分可以直接展示给音乐人，帮助他们基于歌曲整体质量的快速筛选歌曲，可大大缩短歌曲的采买时间。这种融合模型也是多角度的分析歌曲的质量好坏，更有助于在歌曲发行步骤中选择出高质量的歌曲。
63.基于上面的描述，根据本技术实施例的歌曲质量评价方法针对待评价的歌曲提取主旋律特征、歌词特征和节奏特征作为质量评价特征，通过训练好的歌曲质量评价网络来预测歌曲的质量评价结果，能够实现歌曲的主旋律、歌词和节奏在歌曲质量预测中的应用，从而更好地利用歌曲不同侧面的信息，提高质量预测的准确性。
64.下面结合图5到图6描述根据本技术另一方面提供的歌曲质量评价装置500和600，它们均可以用于执行前文所述的根据本技术实施例的歌曲质量评价方法。下面逐一简要描述。
65.图5示出根据本技术一个实施例的歌曲质量评价装置500的示意性结构框图。如图5所示，歌曲质量评价装置500包括特征提取模块510和歌曲质量评价模块520。其中，特征提取模块510用于获取待评价的歌曲，并针对歌曲提取质量评价特征，质量评价特征包括主旋律特征、歌词特征和节奏特征；歌曲质量评价模块520用于将质量评价特征输入到训练好的歌曲质量评价网络，由歌曲质量评价网络输出歌曲的质量评价结果。根据本技术实施例的歌曲质量评价装置500可以用于执行前文所述的歌曲质量评价方法100，本领域技术人员可以结合前文所述理解其结构和操作，为了简洁，此处不再赘述。
66.图6示出根据本技术再一个实施例的歌曲质量评价装置的示意性结构框图。如图6所示，歌曲质量评价装置600可以包括存储器610和处理器620，存储器610存储有由处理器620运行的计算机程序，所述计算机程序在被处理器620运行时，使得处理器620执行前文所述的根据本技术实施例的歌曲质量评价方法100。本领域技术人员可以结合前文所述的内容理解根据本技术实施例的歌曲质量评价装置600的具体操作，为了简洁，此处不再赘述具体的细节。
67.此外，根据本技术实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本技术实施例的歌曲质量评价方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
68.基于上面的描述，根据本技术实施例的歌曲质量评价方法和装置针对待评价的歌曲提取主旋律特征、歌词特征和节奏特征作为质量评价特征，通过训练好的歌曲质量评价网络来预测歌曲的质量评价结果，能够实现歌曲的主旋律、歌词和节奏在歌曲质量预测中的应用，从而更好地利用歌曲不同侧面的信息，提高质量预测的准确性。
69.尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本技术的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本技术的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本技术的范围之内。
70.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
71.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其他的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
72.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
73.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本技术的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
74.本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
75.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
76.本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些模块的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
77.应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名
称。
78.以上所述，仅为本技术的具体实施方式或对具体实施方式的说明，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以权利要求的保护范围为准。